最小二乘小波支持向量机在非线性系统辨识中的应用

基于小波分解和支持向量核函数的条件,提出了一种多维允许支持向量小波核函数.该核函数不仅是近似正交的,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提高了支持向量机的泛化能力.基于小波核函数和正则化理论提出了最小二乘小波支持向量机(LS WSVM)并将LS WSVM用于非线性系统的辨识,提高了辨识效果,减少了计算量.仿真结果表明:LS WSVM在同等条件下比传统支持向量机的辨识精度提高约13 1%,因而更适合于工程应用.

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。

短期电力负荷预测的小波支持向量机方法研究

在充分研究和比较多种负荷预测方法的基础上 ,提出一种称为小波支持向量机(WaveletSupportVectorMachines,WSVM )的负荷预测新算法 .该方法是在研究支持向量机 (SVM )核方法与小波框架理论的基础上 ,引入非线性小波基函数来构造SVM的核函数 ,从而得到新的SVM模型 ,并给出了此模型的结构设计与实现算法 .通过实例验证 。

最小二乘小波支持向量机的DNA序列分类方法

目前使用的已有SVM核函数,在分类中不能逼近某一L(2R)(平方可积空间)子空间上的任意分类界面。针对上述问题,在支持向量机的核函数方法和小波框架理论的基础上,提出了LS-WSVM结构模型。实验结果表明,和标准的SVM和LS-SVM比较起来,在同等条件下,LS-WSVM在分类方面具有优良的特征提取性能。

基于小波支持向量机的电梯交通流预测模型

考虑到电梯交通流本身所存在的非线性、复杂性和随机性,提出了一种基于小波支持向量机的电梯交通流预测模型。该方法采用某大厦实测的4周交通流数据,以前三周统计的交通流时间序列构成训练样本对预测模型进行训练,后一周的交通流时间序列作为测试样本。仿真实例验证了该模型在精度、训练时间、泛化能力、最优性等方面取得了较好的效果。

小波支持向量机在结构损伤识别中的应用研究

基于小波框架理论和支持向量核函数的条件,引入非线性小波基函数构造支持向量机(SVM)的核函数,得到一种具有较强泛化能力的紧致型小波支持向量机。对结构在环境脉动下的反应信号进行小波包分解,利用“能量-损伤状态”的特征提取方法得到特征向量,并作为紧致型小波支持向量机的输入进行训练和分类检验,提出了一种基于完全小波支持向量机的结构损伤识别方法。以一空间单层网壳结构为检测和诊断对象,用该方法对结构的损伤位置和程度进行识别和分类具有较高的精度,同时该方法具有面向工程实际应用、成本低和分析简便等特点。

小波支持向量机与相空间重构结合的短期负荷预测研究

提出了基于小波支持向量机(WSVM)与相空间重构(PSRT)相结合的电力系统短期负荷预测(STLF)模型。使用小波核函数(WKF)构建相应的WSVM,并且用云遗传算法(CGA)对相关参数进行优化。在分析负荷时间序列的混沌特性基础上,对序列进行了PSRT,将相空间中的向量点作为WSVM的输入。该方法不考虑气象和节假日等条件,只使用历史负荷数据。仿真结果表明,新算法有较好的精确度和有效性,具有一定的实用价值。

基于连续蚁群算法和小波支持向量机的位移反分析

提出一种基于连续蚁群算法和小波支持向量机的位移反分析模型。一方面利用具有良好时域、频域分辨能力和非线性学习功能的小波支持向量机建立反演参数和位移之间的非线性关系,避免了大量的数值计算,提高了预测精度;另一方面利用全局优化的连续蚁群算法代替传统的优化算法,避免优化过程中目标函数陷入局部最优,提高了反演的精度。应用该模型对三峡工程永久船闸高边坡4种介质弹性模量进行位移反分析,并利用反演所得参数进行监测点位移预测,计算值与监测值吻合较好,表明该方法适合解决具有非线性和不确定特性的岩土工程问题,在位移反分析中具有良好的实际应用价值。

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。

基于小波支持向量机模型的矿区生态安全评价方法研究

生态环境质量诊断和安全评价是保障矿区经济高质量发展的重要组成部分。针对当前矿区生态安全评价方法精度不高的问题,从生态环境质量、污染物排放、生态保护、环境承载力和系统协调5个方面构建评价指标体系。通过核函数选择,构造广义最优分类超平面,将小波理论和支持向量机方法有机结合,建立联合评价模型,并运用于G稀土矿区进行实例验证。结果表明:该稀土矿区Ⅰ级风险区域(即环境差区)有10个,Ⅱ级风险区域(即环境较差区)为8个。与GIS识别结果比较,模型的误差率为5%,说明模型具有较好的预警精度。模型整体预测性能较优,在非线性时间序列领域具有很好的表现和应用前景。

基于小波支持向量机的金融预测

基于小波分析与支持向量核函数理论构造了一个小波支持向量机(WSVM),用以预测金融时间序列的波动率.与采用高斯核的标准支持向量机相比,由于小波核结合了小波分析的多分辨特性,因此可以更好地逼近任意非线性函数.仿真实验表明,小波支持向量机在股指收益波动率预测中具有较好性能.

基于最小二乘小波支持向量机的数据拟合实验

针对目前使用的SVM核函数在回归中不能逼近任意目标函数的问题,在支持向量机的核方法和小波框架理论的基础上,提出了LS-WSVM结构模型。该模型在LS-SVM中使用一种新的由小波构成的SVM核函数。实验结果表明,与标准的SVM及LS-SVM比较起来,在同等条件下,LS-WSVM在函数回归方面LS-WSVM具有优良的逼近性能,拟合效果更为细腻。

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.

小波支持向量机船舶物联网监测拓扑结构设计

在船舶物联网监测拓扑结构的设计中,由于监测方向众多导致较大通信能耗与较高网络丢包率,设计一种基于小波支持向量机的船舶物联网监测拓扑结构。通过2种数据融合算法帮助该拓扑结构实现船舶监测机能。其中对于同质传感器的数据融合,使用的处理算法是一级数据融合算法,通过二级数据融合算法实现非同质传感器之间的数据融合。基于小波支持向量机设计一种交换机数量预测模型,确定物联网监测拓扑结构中需要的交换机数量,完成拓扑结构的设计。在某船舶上测试设计拓扑结构的通信性能,测试结果为该结构的吞吐量较高,通信能耗较低,各节点的平均能耗最低可达2.05 mJ,网络丢包率也较低,证明了设计结构具有优越的通信性能。

基于小波支持向量机的遥感影像融合

针对遥感影像融合中出现的对比度差、边缘模糊等问题,利用支持向量机的统计学习优势,结合方向滤波器组的多方向特性,提出一种基于支持向量机的遥感影像融合框架。由于小波核相对其他核函数对复杂的信号具有更好的逼近能力,因此利用Morlet母小波构造核函数,研究基于小波支持向量机的遥感影像融合,提高遥感影像融合的精确度。实验结果表明,该方法的融合效果优于传统的图像融合方法。

基于最小二乘小波支持向量机的股指波动率预测

为提高金融波动率的预测精度,用极差估算股指波动率,建立了基于最小二乘小波支持向量机(LS-WSVM)的波动率预测模型,以上证综指和深证成指的日数据、周数据和月数据为数据样本,通过LL、NMSE、NMAE指标验证了LSWSVM在波动率预测方面的有效性。结果表明,LS-WSVM用于波动率预测是有效的,对不同频率波动率的预测精度优于高斯核LS-SVM,在预测较低频率波动率中表现更好,不同小波核之间的预测精度相差不大。

基于小波支持向量机的小鼠脑电波与呼吸的关系

目的:以小鼠为实验对象,利用以Morlet小波支持向量机(Wavelet Support Vector Machine,WSVM)为神经元的神经网络模型研究小鼠的呼吸与脑电波之间的关系。方法:本文通过对在小鼠睡眠和清醒状态下测得的呼吸信号进行分析,得出两种状态下呼吸频率范围分别为:1.59 Hz^1.98 Hz、1.75 Hz^2.70 Hz,进而根据呼吸频率范围确定与呼吸有关的脑电波信号的频率段并将其分离出来,建立了以WSVM为神经元的神经网络模型。通过该模型定量分析了小鼠在两种状态下与呼吸相关的脑电波的相位变化率和呼吸频率之间的映射关系,得出该模型的最小留一法(Leave-OneOut,LOO)误差及对分离出的脑电波信号相位变化率的预测的均方误差(Mean Square Error,MSE),并与传统以径向基函数为核函数的支持向量机(RBF-SVM)模型的最小LOO误差及预测精度进行对比分析。结果:以WSVM为神经元的神经网络模型的最小LOO误差为0.08907,低于RBF-SVM的最小LOO误差0.089 272,因此具有更好的泛化性,且前者的预测MSE为0.286 658,小于后者的MSE(0.291 373)。结论:基于WSVM的神经网络在定量描述脑电波与呼吸之间的关系中是一种比较有效的方法,它为解释脑电波与其他复杂动作的关系从而实现人机互动提供了一种机制。

基于Krawtchouk矩和小波支持向量机的纸张缺陷识别方案设计

为实现对于纸张缺陷的高精度识别,提高纸张成品的生产质量,通过Krawtchouk矩不变量来提取纸张缺陷图像的特征向量。在此基础上,运用所获取的特征向量对小波支持向量机进行训练,并通过粒子群优化算法来获取惩罚因子与核函数参数,使小波支持向量机的分类性能达到最优。最后对提出的纸张缺陷识别算法的识别率进行试验,经统计分析发现,访算法的识别总精度高达98.33%。

下肢EMG的小波支持向量机多类识别方法

针对下肢肌电信号(EMG)的多运动模式分类问题,提出了一种基于小波支持向量机(WSVM)的多类识别方法.在小波框架理论和SVM核方法的基础上,构造基于二叉树结构的WSVM多类分类器,采用多尺度分析对下肢EMG进行消噪处理和特征提取,将特征向量输入WSVM多类分类器.以水平行走为例对支撑前期、支撑中期、支撑末期、摆动前期和摆动末期等5个细分运动模式进行分类,并与传统的神经网络和高斯核SVM分类器进行比较.实验结果验证了所提方法的有效性.

基于再生核Hilbert空间小波核函数支持向量机的高光谱遥感影像分类

针对支持向量机用于高光谱遥感影像分类存在的分类精度不高、参数选择困难等问题,提出一种再生核Hilbert空间的小波核。其可以逼近任意非线性函数,能够有效改进参数估计的效果,进而实现基于再生核Hilbert空间的小波核函数支持向量机(小波支持向量机)。并选取北京昌平地区的国产高光谱数据operational modular imaging spec-trometer II(OMIS II)和意大利Pavia大学ROSIS高光谱数据进行试验。结果表明,应用Coiflet小波核函数时能获得较高分类精度。